Inkomsten verhogen in verzekeringen met churn forecasting

Context en doelstellingen

Een gespecialiseerde verzekeringsmaatschappij die België en Nederland bedient , had te kampen met een klantverloop van +9%, waardoor elk jaar honderden miljoenen euro's verloren gingen. Ze wendden zich tot Agilytic om inzicht te krijgen in de oorzaken van klantenverlies en proactieve retentiemaatregelen te ontwerpen.

Het verkrijgen van een accuraat inzicht in de klant was cruciaal voor de verzekeraar om de middelen voor werving en behoud beter toe te wijzen. Daarom bepaalden we welke poliskenmerken en klantkenmerken het risico op churn zouden signaleren door datatransformatie, opschoning, beschrijvende analyse en modellering.

Benadering

We werkten samen met de marketing- en verkoopteams om de relevantie van de uitkomsten te maximaliseren. We werkten vanuit een Milestones Roadmap om diep in de gegevens te duiken en preciezere inzichten te krijgen.

Eerst begonnen we met gegevensconsolidatie, wat bestaat uit het transformeren en opschonen van gegevens. Dit omvatte het verzamelen van gegevens uit acht bronnen met klantinformatie, polisgegevens, details van verzekeringsproducten, betalingsfrequentie per polis en andere premie-informatie om te gebruiken als basis voor de voorspelling van churn.

We volgden stappen om de gegevens op te schonen voor het resultaat dat we wilden bereiken, d.w.z. het doelresultaat definiëren, overbodige kolommen verwijderen en ontbrekende informatie corrigeren of verwijderen. Voor de gegevenstransformatie berekenden we 'delta dagen' tussen de datum waarop het contract werd geopend en de einddatum (tenure van de klant), leidden we de churn-data en de startdatum van de campagne af om te evalueren of er inzichtelijke informatie zou zijn. Dit is slechts één voorbeeld van de vele afgeleide kenmerken die we tijdens de transformatie hebben gecreëerd. De belangrijkste cijfers werden beoordeeld en gevalideerd met de business om er zeker van te zijn dat de gegevens correct werden geïnterpreteerd.

Na deze eerste fase van gegevensverzameling en controle gingen we over op beschrijvende analyse. We voerden een gegevensanalyse uit met het TIMi-hulpmiddel voor gegevensinterpretatie om de gegevens op een duidelijke, praktische manier met gemakkelijk te begrijpen visualisaties aan de klant te presenteren.

Vervolgens bouwden we een voorspellend model om de belangrijkste oorzaken van opzegging te identificeren en vervolgens de opzeggeneigdheid van bestaande klanten te scoren. Ons aanvankelijke bereik omvatte meer dan 280 variabelen, waarvan 11 significante variabelen in het uiteindelijke model werden behouden. TIMi stelde ons in staat om in recordtijd nauwkeurige en eenvoudig te interpreteren resultaten te verkrijgen, een tool die perfect geschikt is voor dit soort analyses.

Tot slot verzorgden we workshops om interne teams te helpen hun gegevenskennis te verbeteren en zich ons model eigen te maken. We leverden de output van het project in de vorm van een Powerpoint (om essentiële gegevensinzichten en visualisaties te bieden), Excel-bestanden voor het simuleren van de vertrekgeneigdheid op basis van de 11 geïdentificeerde kenmerken, een TIMi Data Audit-rapport en verdere verklarende documentatie over de opbouw van het model.

Resultaten

Met ons model kon de klant twee keer zoveel churners identificeren dan voordat de klant met Agilytic werkte. We hielpen onze klant ook met het opzetten van proactieve retentiemaatregelen, zoals het herverpakken van producten om beter aan de behoeften van de klant te voldoen, dankzij onze inzichten in de factoren die churn veroorzaken.

Het belangrijkste is dat we zagen dat de twee meest kritische voorspellers de betrokken makelaar is, niet gekoppeld aan de grootte van de portefeuille. Churn was hoger bij makelaars en het laagst bij directe kanalen. Het type verzekeringsproduct was ook een significante voorspeller.

Ten tweede zagen we, in tegenstelling tot wat de klant aanvankelijk dacht, dat er geen duidelijk verband was tussen communicatie en churn. Het gemiddelde aantal dagen tussen de start van een communicatiecampagne en de einddatum van de communicatie is vergelijkbaar voor churners en niet-churners. Als er sprake is van churn, dan is dat meestal tussen de drie en zes maanden na de start van de campagne.

Daarnaast zagen we een churnpiek in september en aan het einde van het jaar. We ontdekten dat de meeste opzeggingen plaatsvonden bij halfjaarlijkse betalingsschema's, dat het opzeggingspercentage afneemt naarmate de leeftijd van de houder toeneemt, en dat unieke betalingsschema's en automatische betalingen goed presteerden wat betreft lagere opzeggingen.

Dankzij de gegevensanalyse en modellering kan de klant nu verbeteringen zien in de klantenchurn, omdat hij slimmere beslissingen kan nemen over het coördineren van de commercialiseringsinspanningen. Na afronding van het project in minder dan 30 dagen begreep de klant al snel welke vervolgacties nodig waren om zijn klantbehoud en commerciële potentieel te vergroten.